#情感分类

这款印地语情感分析模型基于公开数据集进行了微调，具备0.89的加权平均宏F1评分，适合在印地语媒体中提取情感信息。模型使用PyTorch模块进行微调，详细教程可在LondonStory的GitHub页面获取。

该模型基于cointegrated/rubert-tiny2进行微调，适用于俄语文本的多标签情感分类任务。模型在CEDR数据集上经过40个周期的训练，学习率为1e-5，批次大小为64。测试结果显示，模型在愉悦、悲伤、惊讶等情感识别上的表现优异，AUC平均值为0.8956，F1微平均值为0.9280，可用于多种俄语文本情感分析场景。

本项目应用XLS-R Wav2Vec2模型进行俄语语音的情感识别，准确率为72%。通过多种情感分类标签，模型可识别愤怒、厌恶、兴奋、恐惧、快乐、中立及悲伤等情感。项目采用MIT许可证，使用Russian Emotional Speech Dialogs数据集，适合对情感识别技术有深入理解和应用需要的用户。

BERT-Emotions-Classifier是一个专注于多标签情感分类的BERT模型，基于sem_eval_2018_task_1数据集训练，能够识别愤怒、恐惧、喜悦等多种情感。适用于社交媒体和客户评论中的情感分析以及基于情感的内容推荐。尽管存在情感类别和输入长度的限制，但该模型在情感分析中表现优异，需注意可能的偏差问题。

该BERT模型经过微调，可在GoEmotions数据集上进行中英跨语言情感分类，支持28种情感类别，如喜悦、愤怒、爱等。模型在验证集上表现出85.95%的高准确率，训练过程结合了英语和机器翻译的中文样本，通过两阶段方法提升性能，包含初始训练和高置信度样本回馈再训练。